Исследование посвящено анализу механизмов работы геномных фундаментальных моделей (Genomic Foundation Models) и выявлению того, какие именно слои нейросети наиболее важны для классификации генетических вариантов. Авторы исследуют разрыв между «репрезентативными» слоями (где пиковая точность одного признака) и «нагрузочными» слоями (на которые опирается итоговый классификатор). В ходе экспериментов на базе 8 008 вариантов из базы ClinVar использовались модели NT-v2 500M (MLM) и Evo 2 7B (CLM). Результаты показали, что эти слои не совпадают: в MLM-моделях нагрузочные слои находятся в середине-начале сети, а в гибридных CLM-моделях — глубоко в конце. Практическая значимость работы заключается в том, что использование стандартного последнего слоя (last-layer pooling) приводит к потере важного сигнала; например, в модели NT-v2 использование 1-мерного скаляра из среднего слоя повышает AUROC на 0,049 по сравнению с классическим 1024-мерным методом. Это дает четкое руководство для оптимизации архитектур при анализе генетических данных.